Генеративно-состязательная сеть


Генеративно-состязательная сеть (англ. Generative adversarial network, сокращённо GAN) — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы (см. Генеративная модель),а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает Антагонистическая игра. Генеративно-состязательную сеть описал Ян Гудфеллоу из компании Google в 2014 году.

Использование этой техники позволяет в частности генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего её естественными фото. Кроме того GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.

Метод

В системе GAN одна из сетей (сеть G, от Generator) генерирует образцы (см. Генеративная модель), а другая (сеть D, от Discriminator) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель) . Используя набор переменных латентного пространства, генеративная сеть пытается слепить новый образец, смешав несколько исходных образцов. Дискриминативная сеть обучается различать подлинные и поддельные образцы, а результаты различения подаются на вход генеративной сети так, чтобы она смогла подобрать лучший набор латентных параметров, и дискриминативная сеть уже не смогла бы отличить подлинные образцы от поддельных. Таким образом целью сети G является повысить процент ошибок сети D, а целью сети D является наоборот улучшение точности распознавания.

Дискриминационная сеть D, анализируя образцы из оригинальных данных и из подделанных генератором, достигает некоторой точности различения. Генератор при этом начинает со случайных комбинаций параметров латентного пространства (см. Многомерное нормальное распределение), а после оценки полученных образцов сетью D, применяется Метод обратного распространения ошибки, который позволяет улучшить качество генерации, подправив входной набор латентных параметров. Постепенно искусственные изображения на выходе генеративной сети становятся всё более качественными. Сеть D реализуется как Свёрточная нейронная сеть, в то время как сеть G наоборот разворачивает изображение на базе скрытых параметров.

В процессе совместного конкурентного обучения, если система достаточно сбалансирована, достигается минимаксное состояние равновесия, в котором обе сети значительно улучшили своё качество, и теперь сгенерированные изображения могут быть использованы практически как настоящие.

Идея состязательного обучения была выдвинута в 2013 году Li, Gauci и Gross в 2013. Этот метод называется также «обучением Тьюринга»,, так как ставит целью пройти Тест Тьюринга.

Популярные объяснения метода

Принцип состязательности в сети GAN нередко описывается через метафоры. Например, генеративная сеть уподобляется фальшивомонетчику или подделывателю картин, а дискриминативная — эксперту который стремится распознать подделку.. Другой пример — образ двух боксёров, один из которых учился у мастера, а второй вынужден подражать ученику. .

В популярном приложении генерации человеческих лиц в качестве подлинных данных выступают реальные фотографии, а генеративная сеть пытается создать искусственные лица, варьируя комбинации таких латентных параметров, как цвет волос, пропорции лица, разрез глаз, форма носа, размер ушей, наличие бороды и усов и т. д.

В статьях исследователей приводятся примеры реализации GAN на базе библиотеки TensorFlow.

Применение

GAN используются для получения фотореалистичных изображений, например для элементов промышленного дизайна, дизайна интерьера, одежды, сумок, портфелей, сцен компьютерных игр и т. д. Сети GAN используются также в сети Facebook. В последнее время системы GANs стали использоваться для подготовки кадров фильмов или мультипликации. Также эти системы помогают воссоздать трёхмерную модель объекта с помощью фрагментарных изображений и улучшить изображения, полученные из астрономических наблюдений.


Похожие новости:

Фотографический метод

Фотографический метод
Фотографический метод — метод изучения различных явлений происходящих в природе, заключающийся в запечатлении явления на фотографии или серии фотографий, которые в дальнейшем подвергаются анализу со

Cirrus (межбанковская сеть)

Cirrus (межбанковская сеть)
Cirrus — всемирная межбанковская сеть, основанная в 1986 году. В 1988 году банкоматная сеть Cirrus была приобретена и с тех пор управляется корпорацией MasterCard. Она объединяет кредитные, дебетовые

Prisma

Prisma
Prisma — мобильное приложение, позволяющее переносить художественный стиль на фотографии пользователей с помощью нейронной сети. Программный продукт был создан компанией Prisma Labs в 2016 году и

Характеристики обогревателей разных типов

Характеристики обогревателей разных типов
Для обеспечения наиболее комфортных условий в жилых помещениях в зимнее время нередко приходится использовать обогреватели. Безусловно, найдется немало практичных моделей, но между ними существуют
Комментариев пока еще нет. Вы можете стать первым!

Добавить комментарий!

Ваше Имя:
Ваш E-Mail:
Введите два слова, показанных на изображении: *
Популярные статьи
Почему ремонт общественных зданий важен для эффективной эксплуатации
Почему ремонт общественных зданий важен для эффективной эксплуатации
Зачем ремонтировать общественные здания? Этот вопрос волнует многих, ведь общественные здания – это...
Охранное предприятие в Москве – защита и надежность
Охранное предприятие в Москве – защита и надежность
В современном мире, где угрозы личной безопасности и сохранности имущества становятся все более...
Особенности выбора мебели: секреты правильного подбора для интерьера
Особенности выбора мебели: секреты правильного подбора для интерьера
При обустройстве интерьера дома или офиса одним из самых важных аспектов является выбор мебели....
Все новости